对豆瓣电影 Top250 榜单的一些探索性分析

业余打发时间看电影是个不错的选择，但是如果看了一部无聊糟心的电影就得不偿失了，所以一些电影方面的榜单就出现了，可以为这些选择困难患者提供一个不错的指南，那些是经典是值得看的，而那些电影不值得你浪费一两个小时的时间。在电影榜单方面，国外最出名的自然是IMDB Top250，这个榜单收集了全球观众评选出的最好看的 250 部电影，国内最知名的榜单应该是豆瓣电影 Top250，主要反映了国内观众的观影品味(虽然有人可能会说豆瓣的观影品味可能偏文艺一些)。对于这两个榜单，虽然对部分电影的排名多少有些争议，但是总体来说大家觉得对着这个榜单看电影，碰到烂片的概率还是较小的。

看到这些榜单，我们可能会有一些问题。比如，某个我最喜欢的导演有多少部电影进入榜单了？榜单中哪一年的电影最多？哪些电影的口碑较为统一，而哪些电影的口碑非常两极分化？为回答这些问题，我们需要对榜单中的信息进行一些搜集与整理。为了搜集这些信息，我使用爬虫爬取了豆瓣 Top250 榜单，并进行了一些探索性分析，这些分析可能可以回答你对榜单的某些疑问。

一、数据描述

我使用 Scrapy 爬取了豆瓣 Top250 榜单，针对每个电影，收集了以下十项指标，其中前七项是直接抓取获得，后三项则是间接计算得到：

movie_name：进入榜单的电影的名称；
rank：该电影在榜单中的排名；
director：该电影的导演；
year：电影上映的年份；
time：电影的时长；
score：电影的豆瓣评分；
score_num：参与评分的总人数，侧面反映了电影的大众与流行程度；
stars：平均星级，使用豆瓣电影上给出的各个星级评分所占的比例，计算加权平均的星级，可以判断电影的总体评分情况；
total_star：总星级，综合了电影的星级与评分人数两年指标，为平均星级与参与评分总人数的乘积；
std：星级标准差，使用计算出来的平均星级，可以计算所有星级评分的标准差，这反映了这部电影评分的一致性，如果标准差较大，则反映这部电影的评分比较两极分化

搜集到的所有数据放在这个网址，你可以每一列进行排序，比如查看提名最高或最低的电影；也可以通过右上角的输入框进行筛选，比如想要搜诺兰的所有电影，只需要在输入框输入“克里斯托弗·诺兰”，你就可以看到榜单中诺兰的所有电影数据。

二、初步探索性分析

我使用 jupyter notebook 分析以上数据，所有的分析代码见这个网址。首先，我们需要导入一些分析必需的库，做一些初始化设置：

# Import the required modules for the following codes

import numpy as np
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
import seaborn as sns
import pandas as pd
sns.set(style="white",color_codes=True)
%matplotlib inline
plt.rcParams['figure.figsize'] = (15,9.27)
plt.rcParams['font.size'] = 10.0
plt.rcParams['xtick.labelsize'] = 'large'
plt.rcParams['ytick.labelsize'] = 'large'

然后，我们导入数据，看看数据包含哪些信息：

df = pd.read_excel('output.xls',encoding="UTF-8")
df.head()

这个和我们之前描述的数据信息一致，数据默认是按照电影的排名升序排列的。

(一) 电影导演分析

通过导演来搜电影通常是个不错的主意，优秀的电影导演有鲜明个人风格，并总能控制电影的质量，降低我们看到烂片的可能性。我们首先关心的是，在豆瓣 Top250 榜单中哪些导演的入围电影最多？这很大程度上反映了该导演的水准。

directors = list(df['director'])
dir_dict = {x:directors.count(x) for x in set(directors)}
dir_df = pd.DataFrame.from_dict(dire,orient='index')
dir_df.columns = ['count']
dir_df.sort_values(['count'],axis=0,ascending=False,inplace=True)
dir_df['pert'] = dir_df['count']/250
dir_df[:20]

我们可以看到，按入围电影数量降序排列，排名前 20 名的电影导演是：

这个排名并不让人意外，排在前几名的都是大家耳熟能详的导演。如克里斯多弗·诺兰与宫崎骏在入围电影数量上并列第一，都为七部。斯皮尔伯格排第三，有六部，另外两名华人导演王家卫与李安分别入围五部与四部。下面我们分别看看这几位导演入围的电影有哪几部？

诺兰的电影：

宫崎骏的电影：

斯皮尔伯格的电影：

王家卫的电影：

李安的电影：

(二) 电影上映年份分析

豆瓣 Top250 榜单中年份最早的电影是 1931 年查理·卓别林的《城市之光》，最晚的 2016 年的《海边的曼彻斯特》与《疯狂动物城》。榜单中各个年份的电影数量各有不同，按该年份入围电影数量多少降序排列，前二十名的年份是：

year = list(df['year'])
year_dict = {x:year.count(x) for x in set(year)}
year_df = pd.DataFrame.from_dict(year_dict,orient='index')
year_df.columns = ['year_count']
new_year_df = year_df.sort_values(['year_count'],axis=0,ascending=False,inplace=False)
new_year_df['pert'] = year_df['year_count']/250
new_year_df[:20]

让我们 2010 年、1994 年 2009 年的几部电影分别是哪些吧。

2010 年：

1994 年：

2009 年：

下图可以让我们更加直观的看出各个年份入围电影的多少：

可以看出，入围豆瓣 Top250 榜单的大部分电影是 90 年代以后的电影，这可能是再之前的电影由于电影拍摄风格的不同，与现代观众已经有较在隔阂了。

另外，一个引起我们兴趣的问题是，随着年代发展电影的质量或者说评分是否有显著提高，这个可以通过比较各个年份上映电影的平均分来有一个直观的了解。

通过柱状图，我们可以发现电影的评分似乎并没有随着年代的向前推移而增长，各个年份的评分大致是差不多的(由于榜单中电影数量有限，这个趋势评价应只适用于榜单中的电影，推广到所有年份的电影并不一定能够成立)。

三、电影口碑分析

豆瓣评分作为一个平均指标，虽然能在一定程度上反映电影的质量，但是在很多时候不能提供该电影的全面信息。比如，一个我们经常关心的问题是：一部电影的口碑是否一致，一般而言，同样评分的电影，如果某一部电影的口碑更为一致，即大家都说好，那么他是好电影的可能性也就越高。那么，我们如何去衡量某部电影口碑的一致性了？其实只需要仔细观察豆瓣给出的各个星级评分的分布比例，我们就能找到答案。

我们可以看到《肖申克的救赎》的评分为 9.6 分，其中从五星至一星的人数占总评分人数的比例分别为 82.1%，15.7%，2.0%，0.1%与 0.1%，可以看出绝大部分人给了这部电影四星以上的评价，这是口碑非常一致的电影中的典型。让我们再看看口碑一致的烂片典型：

可以看到《深夜食堂》的一星比例高达 81.9%，是近年来少有大家一致认为非常烂的电影，在口碑一致性程度上，它恐怕是创纪录的。从以上我们可以看到，一部口碑一致的好片，其评分的形状大致是 P 形，即从五星至一星逐渐递减。口碑一致的烂片其评分大致是 b 形，从五星到一星逐渐增加，最烂的就是 L 形了，一星比例占了绝大部分。

对于以上两种类型电影，选择上并没有什么难度。因为口碑一致可以让我们很好地确定这部电影是好片还是烂片，但是对于那些口碑不太一致的电影，选择就变得更加困难了。

如截止到目前的国产电影票房冠军《战狼 2 》实际上是一部分口碑分化较大的电影，我们可以看出它的评分形状大致呈 C 形，即五星与一星都较少，中间星级所占的比例则较多。

为了量化我们上面的观察结果，我们需要计算两个指标：

平均星级：用各个星级所占的比例对星级进行加权平均，求出加权平均星级，作为衡量电影质量的指标。之所以不使用豆瓣的评分指标，是因为豆瓣评分综合考虑了电影的评价、评分人数等指标，并不只单纯衡量了电影质量；
星级标准差：在平均星级的基础上，以各个星级所占比例为权重，我们可以计算出星级评价的标准差，这个指标可以量化电影口碑的不一致程度，标准差越大，则电影的口碑越不一致。

在我们的数据中，分别用 wa_star 与 wa_star_std 来衡量两个指标。我们可以看看榜单中口碑最一致的五部电影分别是：

口碑最不一致的五部分电影分别是：

榜单中的这五部分电影仍然是非常不错的电影，但却由于各种各样的原因，其评分多有争议。如《穆赫兰道》由于过于深奥，在口碑上两极分化严重，一部分人引为神片，认为是比《盗梦空间》更为优秀的关于人类意识结构的电影，而另外一些人则认为导演故弄玄虚，需要对着说明书才能看懂的电影不是好电影。

(一) 电影评分与其口碑一致性的关系

为了更直观的理解电影的评分和他的口碑一致度的关系，我们可以以电影的平均星级为横轴，电影的星级标准差为纵轴绘制散点图如下：

我们可以清楚的看到，随着电影平均星级的增加，电影的评分差异度随之下降，也就是说，评分越高的电影大家的口碑就越一致。此外，也可以看出，随着电影评分的增加，标准差收敛的速度也在加快。我们可以做一个简单的回归来看看两者之间的量化关系：

def reg(y,yname,xname,*args):
    import statsmodels.api as sm
    x = np.vstack((args)).T
    mat_x = sm.add_constant(x)
    res = sm.OLS(y,mat_x).fit()
    print(res.summary(yname=yname,xname=['cosnt']+xname))

# was_sq is the squre of the weighted average star rating

was_sq = was**2
reg(wa_std,'wa_star_std',['was','was_sq'],was,was_sq)

首先定义一个线性回归的辅助函数，对 statsmodels 模块的线性回归函数做了一个包装，然后引入了 was_sq 变量，它是平均星级的平方。回归的结果是：

四、参考

数据源地址： https://data.metaquant.org/table/douban.html
项目代码： https://github.com/sorrowise/douban_top250
电影网站评分机制： https://einverne.github.io/post/2017/04/movie-score.html
豆瓣的电影评分靠谱吗?： https://zhuanlan.zhihu.com/p/24815577
豆瓣 Top250 榜单： https://movie.douban.com/top250